[论文解读] Visual-LiDAR Odometry and Mapping with Monocular Scale Correction and Visual Bootstrapping

Hanyu Cai, Ni Ou+1 more|arXiv (Cornell University)|Apr 18, 2023

Robotics and Sensor-Based Localization被引用 5

一句话总结

本文提出了一种松散耦合的视觉-LiDAR SLAM系统，通过视觉自举法和一种新颖的尺度校正方法，将单目视觉里程计与LiDAR里程计相结合。该尺度校正器利用视觉特征的三角化深度与LiDAR提供的深度进行对比，以校正单目尺度漂移，且无需深度增强；同时，视觉里程计为LiDAR位姿提供初始化，提升了鲁棒性。该系统在翻译漂移方面优于A-LOAM，性能与立体ORBSLAM2相当，尤其在退化场景中表现更优。

ABSTRACT

This paper presents a novel visual-LiDAR odometry and mapping method with low-drift characteristics. The proposed method is based on two popular approaches, ORB-SLAM and A-LOAM, with monocular scale correction and visual-bootstrapped LiDAR poses initialization modifications. The scale corrector calculates the proportion between the depth of image keypoints recovered by triangulation and that provided by LiDAR, using an outlier rejection process for accuracy improvement. Concerning LiDAR poses initialization, the visual odometry approach gives the initial guesses of LiDAR motions for better performance. This methodology is not only applicable to high-resolution LiDAR but can also adapt to low-resolution LiDAR. To evaluate the proposed SLAM system's robustness and accuracy, we conducted experiments on the KITTI Odometry and S3E datasets. Experimental results illustrate that our method significantly outperforms standalone ORB-SLAM2 and A-LOAM. Furthermore, regarding the accuracy of visual odometry with scale correction, our method performs similarly to the stereo-mode ORB-SLAM2.

研究动机与目标

• 通过引入一种无需深度增强的尺度校正方法，解决视觉里程计中的单目尺度漂移问题。
• 通过利用视觉里程计结果初始化位姿估计，提升在挑战性场景中LiDAR里程计的鲁棒性。
• 开发一种松散耦合的融合框架，结合视觉与LiDAR里程计，以实现优于独立系统的性能。
• 通过避免依赖密集点云，确保与高分辨率和低分辨率LiDAR的兼容性。
• 在KITTI和S3E数据集上，与A-LOAM和ORB-SLAM2相比，表现出更优性能，尤其在存在运动退化的情况下。

提出的方法

• 尺度校正器计算视觉关键点三角化深度与LiDAR提供深度的比值，并通过异常值剔除提升精度。
• 视觉里程计通过A-LOAM为LiDAR里程计提供初始位姿估计，降低初始化误差，并在退化场景中提升收敛性。
• 系统采用松散耦合架构，视觉与LiDAR里程计并行运行，视觉里程计提供尺度校正，LiDAR里程计提供鲁棒的运动估计。
• 通过视觉里程计初始化增强A-LOAM的位姿估计，降低在高加速度或特征密度低的场景中的失败率。
• 局部优化以最早的关键帧为参考，提升稳定性并减少优化过程中的漂移。
• 通过Umeyama方法与evo工具链进行轨迹对齐，将视觉里程计预测结果与真实轨迹同步，用于评估。

实验结果

研究问题

• RQ1 一种避免深度增强的尺度校正方法能否有效减少视觉里程计中的单目尺度漂移？
• RQ2 使用视觉里程计结果初始化LiDAR里程计是否能提升在A-LOAM因初始位姿估计不佳而失效的场景中的性能？
• RQ3 所提出的松散耦合视觉-LiDAR SLAM系统在标准基准测试中，与独立的ORB-SLAM2和A-LOAM相比，其漂移与精度表现如何？
• RQ4 该系统能否在低分辨率LiDAR（如VLP-16）上保持鲁棒性与精度？
• RQ5 视觉自举法在稀疏特征的退化环境中，能在多大程度上降低LiDAR里程计的失败率？

主要发现

• 所提出的尺度校正器使视觉里程计在绝对平移与旋转误差方面达到与立体模式ORB-SLAM2相当的性能，即使在无回环检测的情况下亦然。
• 在KITTI数据集上，该系统相比基线A-LOAM实现了显著更低的平移漂移，旋转漂移也略有降低。
• 在S3E数据集上，该系统在定量指标与定性表现上均优于A-LOAM，尤其在特征稀疏与运动退化场景中表现更优。
• 视觉自举法减少了A-LOAM优化中的迭代次数，并防止在具有稀疏树木的弯曲道路等挑战性场景中陷入局部最优，如定性结果所示。
• 该系统在低分辨率LiDAR（VLP-16）上保持了鲁棒性，而SDV-LOAM因与该传感器不兼容，在S3E数据集上失败。
• 在低纹理的大转弯等退化场景中，A-LOAM产生较大误差，而所提系统仍能保持精确的位姿估计，如图7所示。